Sechs Gründe, warum jede Skill-Taxonomie veraltet
Schon 2006 systematisch beschrieben — und genau die Fallen, in die KI-gestützte Skill-Systeme heute wieder laufen.
Jede Skill-Taxonomie veraltet, weil das Kodifizieren von Kompetenzen sechs systematische Probleme hat: (1) fehlender Kontext — Kompetenz ohne Situationsbezug sagt wenig; (2) heterogene Sichtweisen über Hierarchien, Rollen und Bereiche; (3) ungenaue Typisierung, besonders bei Soft Skills; (4) ausgeblendete Zukunft — künftig relevante Kompetenzen fehlen; (5) Lebenszyklus — der Ist-Stand veraltet sofort; (6) spezifisch vs. generalistisch — die Übertragbarkeit bleibt unklar. Diese 2006 beschriebenen Fallen erklären, warum auch KI-gestützte Skill-Systeme schnell an Aussagekraft verlieren: Schnellere Erhebung löst kein strukturelles Problem.
Es gibt einen wiederkehrenden Moment in Kompetenzprojekten: Die große Taxonomie ist endlich fertig — und schon beim ersten Einsatz merkt man, dass sie nicht mehr stimmt. Das ist kein Versagen des Teams. Es ist die Natur der Sache, und sie lässt sich in sechs Problemen beschreiben, die ich 2006 mit Ernst Biesalski systematisiert habe.
Die sechs Stolperfallen
Erstens, fehlender Kontext: Eine Kompetenz ohne Situationsbezug ist kaum interpretierbar — „Verhandlungsstärke“ heißt im Einkauf etwas anderes als im Betriebsrat. Zweitens, heterogene Sichtweisen: Was eine Fachabteilung als Kompetenz bezeichnet, nennt die nächste anders; Hierarchien, Rollen und Bereiche reden aneinander vorbei. Drittens, ungenaue Typisierung: Gerade Soft Skills entziehen sich der eindeutigen Einordnung und werden subjektiv interpretiert.
Viertens, ausgeblendete Zukunft: Taxonomien erfassen, was heute zählt — die Kompetenzen von morgen fehlen per Konstruktion. Fünftens, der Lebenszyklus: Eine Kompetenz hat eine Halbwertszeit; der mühsam erhobene Ist-Stand veraltet, kaum dass er steht, und die Struktur wird redundant. Sechstens, spezifisch versus generalistisch: Ob eine Kompetenz nur an einem Ort taugt oder übertragbar ist, bleibt im Katalog meist offen.
Eine Taxonomie ist eine Momentaufnahme einer Sache, die sich ständig bewegt. Deshalb veraltet sie eingebaut.
Warum mehr Daten das nicht heilen
Die naheliegende Hoffnung lautet: Wenn KI Kompetenzen automatisch und laufend aus Daten erschließt, lösen sich diese Probleme. Sie lösen sich nicht. Fehlender Kontext, subjektive Typisierung und die Frage der Übertragbarkeit sind Bedeutungsprobleme, keine Datenmengen-Probleme. Eine KI, die Skills schneller inferiert, produziert die alten Fehler nur in höherer Frequenz — eine ständig aktualisierte Taxonomie, die ständig dieselben Unschärfen trägt.
Die produktive Konsequenz
Der Schluss ist nicht, auf Strukturen zu verzichten, sondern sie anders zu führen: leichter, kontextreicher, mit dem eingebauten Wissen, dass sie vorläufig sind. Ein Kompetenzmodell ist kein Katasteramt, sondern ein Arbeitsinstrument, das man bewusst grob hält und regelmäßig befragt. Wer 80 Prozent Genauigkeit akzeptiert und dafür Aktualität und Anwendbarkeit gewinnt, ist besser bedient als mit einer perfekten Taxonomie, die niemand mehr glaubt. Genau diese Haltung — Struktur als Hilfsmittel, nicht als Wahrheit — trägt von 2006 bis in die Skills-based Organization von heute.
Häufige Fragen
Warum veralten Skill-Taxonomien so schnell? Wegen sechs systematischer Probleme: fehlender Kontext, heterogene Sichtweisen, ungenaue Typisierung, ausgeblendete Zukunft, Lebenszyklus und unklare Übertragbarkeit. Eine Taxonomie ist eine Momentaufnahme einer beweglichen Sache.
Löst KI die Probleme der Kompetenz-Kodifizierung? Nein. Fehlender Kontext und subjektive Typisierung sind Bedeutungsprobleme, keine Datenmengen-Probleme. KI erzeugt die alten Fehler nur schneller.
Wie geht man besser mit Kompetenzmodellen um? Leicht und kontextreich, mit dem Wissen, dass sie vorläufig sind. Ein grobes, regelmäßig befragtes Modell schlägt eine perfekte Taxonomie, der niemand mehr glaubt.